BERT-flow｜CMUx字节推出简单易用的文本表示新SOTA！

因为工作和个人信仰的关系，我一直比较关注文本表示的进展。召回是很多NLP系统中必备的一步，而向量化的召回比纯基于文字的离散召回效果更好更合理。同时文本表示还可以做很多事情，比如聚类、分类，不过更多地还是用在文本匹配上。

2015年到18年间有很多优秀的文本表示模型，祭出宝图：

但基于交互的匹配模型明显优于单纯的表示，再加上BERT出来，就很少有人再去研究了，2019年只有一个Sentence-BERT，其实也只是把经典的双塔encoder换成BERT而已，不过总比直接用[CLS]或者对BERT最后一层pooling出来的表示要好。

今年在EMNLP看到了三篇相关文章，一篇是之前解读过的Cross-Thought，还有一篇Manning组同学提出的SLM^[1]，但这两个都需要预训练，而且也没有和Sentence-BERT直接对比，让我这样很懒的人不方便直接拿来用也不确定真的work多少。

相比之下，今天想介绍的这篇BERT-flow就方便很多，不动BERT的参数，直接在业务数据上无监督训练一个新网络就可以优化BERT输出的表示。同时，作者在前文细致地分析了预训练与语义相关性的联系，并探索了BERT表示的特点，对直接用BERT表示效果不好的现象进行了解释。

论文题目：On the Sentence Embeddings from Pre-trained Language Models
下载地址：https://arxiv.org/pdf/2011.05864.pdf
论文代码：https://github.com/bohanli/BERT-flow

语言模型预训练和语义相关性的联系

先来一个灵魂拷问：

假设文本c的编码是 ，为什么两个文本表示的点积 就能代表它们的语义相似程度呢？ （表示归一化后等价于cosine）

有点绕是不是，感觉大家一直都是这么默认的。那让我们从数学角度理解一下，先来看看 和文本中词x的表示 的点积 。这个term出现在了语言模型的优化目标之中：

根据论文^[2]，对于一个充分训练的语言模型来说：

其中 是词的概率， 是跟上下文c相关的term。 是互信息，表示词与上下文的共现，PMI越大共现概率越大，同时统计意义上的共现也暗示了两者语境、语义的接近。 也可以这样解释。

那语言模型预训练是怎样助力文本表示的呢？

在回头看 的计算，语言模型的目标其实就是最大化token与上下文的共现概率。在向这个目标优化时，c 与 x 的表示会不断接近，如果 x 同时也在另一个上下文 c' 中出现了，那 c 与 c' 的距离就会被拉近，因此语言模型的训练会提升表示的质量，让每个句子在空间中找到自己合适的位置。

BERT表示存在的问题

虽然这个道理没毛病，但真正在使用时，不少研究^[3][4]都发现BERT的表示存在一些问题。作者也通过计算表示的L2距离进行了验证，我用力画了一下：

1. BERT的词向量在空间中不是均匀分布，而是呈锥形。作者发现高频词都靠近原点（所有的均值），而低频词远离原点，相当于这两种词处于了空间中不同的区域，那高频词和低频词之间的相似度就不再适用了

2. 低频词的分布很稀疏。正如我画的那样，低频词表示得到的训练不充分，分布稀疏，导致该区域存在语义定义不完整的地方（poorly defined），这样算出来的相似度也有问题。

BERT-flow

基于以上对相似度的深入探讨和问题研究，作者提出了BERT-flow，基于流式生成模型，将BERT的表示可逆地映射到一个均匀的空间，上述的问题就迎刃而解了：

关于流式生成模型的原理可以再写一篇文章了，简单的说就是学习一个可逆的映射 ，把服从高斯分布的变量 映射到BERT编码的 ，那 就可以把 到均匀的高斯分布，这时我们最大化从高斯分布中产生BERT表示的概率，就学习到了这个映射：

感兴趣的同学可以阅读以下三篇论文^[5]：

ICLR 2015 NICE-Non-linear Independent Components Estimation
ICLR 2017 Density estimation using Real NVP
NIPS 2018 Glow: Generative Flow with Invertible 1×1 Convolutions

作者对2018年OpenAI提出的Glow模型进行了简化，用BERT生成的任务数据表示（无标签）作为输入训练模型。

实验效果

作者分别在任务数据（train+dev+test）和 NLI（SNLI+MNLI）数据上无监督地训练流式模型，就得到了比BERT本身要好十多个点的结果：

另外作者还发现，取BERT最后两层的平均要比取最后一层要好很多。

是不是还没跟Sentence-BERT（SBERT）比呢？别急，作者采用Sentence-BERT的方式在NLI语料上进行了精调，效果最高好了4个点：

除了SemEval上的对比之外，后续作者还和其他normalisation的方法进行了对比，最好的也比BERT-flow差2个点。

最后作者还研究了语义相似度和字面相似度的关系，结果显示在BERT的表示下，编辑距离小于4的句子语义相似度很高，但这显然是不对的，在文本中随便加一个「不」字都会让这两句话意思相反。而BERT-flow则可以改善这种情况：

总结

这篇工作是实至名归的文本表示新SOTA，不仅可以利用无监督数据，又可以不动BERT本身的参数，减少了训练时间。虽然改进比较简单，但对BERT表示进行了深入的分析，让我们意识到了更多问题。

对了，英文的NLI数据很好用，但中文就比较匮乏，需要数据的小伙伴建议使用哈工大的LCQMC^[6]数据集，最近CLUE上也出了一个OCNLI^[7]，不过只有5W训练数据，亲测20W的LCQMC更好用些。

参考资料

[1]

SLM: Learning a Discourse Language Representation with Sentence Unshuffling: https://arxiv.org/abs/2010.16249

[2]

Breaking the softmax bot- tleneck: A high-rank rnn language model: https://arxiv.org/abs/1711.03953

[3]

Representation Degeneration Problem in Training Natural Language Generation Models: https://arxiv.org/abs/1907.12009

[4]

Improving Neural Language Generation with Spectrum Control: https://openreview.net/forum?id=ByxY8CNtvr

[5]

Flow-based生成模型: https://zhuanlan.zhihu.com/p/43157737

[6]

LCQMC: A Large-scale Chinese Question Matching Corpus: http://icrc.hitsz.edu.cn/Article/show/171.html

[7]

OCNLI: Original Chinese Natural Language Inference: https://arxiv.org/abs/2010.05444

---

大家好我是rumor

一个热爱技术，有一点点幽默的妹子

欢迎关注我

带你学习带你肝

一起在人工智能时代旋转跳跃眨巴眼